DeepSeek-V3.2 es una publicación de modelos orientada al razonamiento y a tareas con herramientas. Resulta relevante para comprender la evolución de la familia V3 o trabajar con sus archivos de modelo. Para una integración nueva con el servicio oficial alojado, consulta primero el catálogo actual.
Qué aporta V3.2
La ficha oficial de V3.2 describe tres líneas de trabajo: DeepSeek Sparse Attention, ampliación del entrenamiento por refuerzo y generación de tareas para entrenar el uso de herramientas. La atención dispersa, abreviada DSA, busca reducir el trabajo de atención en contextos largos.
Esta publicación continúa una línea que incluye V3.2-Exp, pero no conviene tratar ambos nombres como archivos intercambiables. Al comparar resultados, conserva la etiqueta completa del modelo.
V3.2 y Speciale no tienen las mismas funciones
| Aspecto | V3.2 | V3.2-Speciale |
|---|---|---|
| Orientación | Razonamiento y tareas con herramientas. | Variante centrada en razonamiento. |
| Llamadas a herramientas | Documentadas; requieren el formato y la integración adecuados. | No compatibles según la ficha oficial. |
| Antes de comparar | Identifica el modelo y valida las llamadas en tu aplicación. | Evalúa tareas que no requieran llamadas a herramientas. |
Fuente: ficha oficial de V3.2 y Speciale. Una puntuación de razonamiento de Speciale no demuestra cómo funciona una aplicación con herramientas en V3.2.
La documentación distingue la variante V3.2-Speciale, centrada en razonamiento y sin compatibilidad con llamadas a herramientas. Por tanto, una puntuación de Speciale no describe por sí sola el comportamiento de V3.2 dentro de una aplicación que ejecuta funciones.
Antes de elegir una variante, define qué exige tu tarea: generar una explicación, devolver datos estructurados o proponer una operación que ejecutará un programa. Comprueba cada requisito de manera separada.
La plantilla de conversación también forma parte de la integración
La ficha oficial presenta cambios de formato para herramientas y aporta código para codificar mensajes y leer salidas. Advierte que su analizador de ejemplo espera texto bien formado y necesita un tratamiento de errores más robusto para producción.
En la práctica, comprueba no solo que se genere una respuesta, sino que tu programa identifique correctamente mensajes, argumentos y resultados. Un texto que parece una llamada a una herramienta no debe ejecutarse sin validar su formato y sus permisos.
Propuesta de comprobación antes del despliegue
- Fija la revisión de los pesos, la plantilla y el motor de inferencia.
- Prueba una conversación breve y otra con varias interacciones.
- Incluye herramientas que devuelvan datos correctos, vacíos y errores controlados.
- Comprueba qué ocurre con argumentos incompletos o una salida que incumple el esquema.
- Registra consumo y exactitud sobre las mismas tareas antes de comparar variantes.
Este procedimiento es una propuesta editorial; no constituye un benchmark realizado por DEspañol. Mantén una revisión humana cuando el flujo pueda modificar información o iniciar acciones.
Lecturas relacionadas
Para comprender sus antecedentes, consulta V3.1 y Terminus. Si tu objetivo es construir una integración actual, continúa con la guía de la API y los errores de petición.